• The KIPS Transactions:PartB
• /
• v.8B no.4
• /
• pp.351-356
• /
• 2001

표준 매개변수 소속 함수(SPMF)에 기반을 둔 구간 선형 변환 방법(PLTM)을 제안한다. 이는 구간 선형 변환 방법을 사용해서 비 매개변수 소속 함수(NPMF)로 표현된 퍼지 집합이 매개변수 소속 함수(PMF)로 표현된 퍼지 집합으로 변환될 수 있다는 생각에서 유래되었다. 이 경우, 이들 매개변수들은 퍼지 집합의 구조를 결정하기 위한 특징점들 이라고 할 수 있다. 결과적으로 구간 선형 변환 방법은 비 매개변수 소속 함수를 매개변수 소속 함수로 변환해 줌으로써 비 매개변수 소속 함수에 기반을 둔 퍼지 시스템과 비교해 볼 때 퍼지 시스템이 상대적으로 빠르게 처리될 수 있게 한다. 한편, 표준 매개변수 소속 함수들의 전형적인 형태가 소개되고 분석된다. 끝으로, PLTM의 전형적인 응용을 제시하고 수치적인 예를 보여준다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.04c
• /
• pp.449-451
• /
• 2003

패턴 분류 문제에서 수치적 속성일 경우 퍼지 적용은 효과적인 결과를 보인다는 것은 많은 연구를 통해 알려졌다. 하지만 퍼지를 적용한 패턴분류의 결과는 소속함수의 모양과 개수에 따라 크게 영향을 받는다는 문제점을 가지고 있다. 따라서 이러한 문제점은 퍼지를 쉽게 응용분야에 적용시키지 못하는 원인이 된다. 따라서 본 논문에서는 자동으로 소속함수를 정의할 수 있는 소속함수 학습 방법을 제안한다. 제안한 방법1)은 Penalty연산과 Reward연산을 통해 소속함수가 학습되고 Coverage연산을 통해 소속함수 개수가 학습된다. 제안된 방법의 가능성을 확인하기 위해 벤치마크 데이터 중 Iris, Appendicitis, Breast Cancer를 사용하여 기존 방법과 비교한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.04b
• /
• pp.331-333
• /
• 2001

본 논문에서는 퍼지집합의 소속함수에 대한 가중치 함수를 제안한다. 제안하는 가중치 함수는 퍼지집합의 소속함수에 곱해지는 형태로서 적용되어지며, 이것은 소속함수에 대한 사용자의 선호도를 의미한다. 제안하는 가중치 함수의 개념은 기본적으로 소속함수를 사용하는 어떤 퍼지 집합의 응용에서도 적용될 수 있을 것으로 보이나, 본 논문에서는 그 중 한가지 경우로 비퍼지화 방법을 적용 대상으로 선택하였다. 제안하는 가중치 함수가 비퍼지화 방법에 있어서 가지는 의미를 보이며, 기존의 비퍼지화 방법들에서 이러한 가중치 함수의 개념이 어떻게 적용되어 왔는지를 보인다. 또한 기존의 비퍼지화 방법들이 개녀멩 적용되지 않은 형태의 가중치 함수를 선택하여, 비퍼지화 방법에 특정 가중치 함수를 적용하였을 때의 특성 변화를 보인다. 이러한 일반적인 형태의 가중치 함수를 퍼지집합의 소속함수에 적용함으로서, 다양한 형태의 선호도를 퍼지집합의 형태에 반영할 수 있을 것으로 보인다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2009.05a
• /
• pp.379-382
• /
• 2009

패턴 인식에서 분류기 모형으로 많이 사용되는 퍼지 분류기는 퍼지 소속 함수를 적절히 설정함으로써 보다 향상된 분류 성능을 얻을 수 있다는 장점이 있다. 그러나 일반적으로 함수 설정은 인식문제 분야의 특성이나 해당 전문가의 지식과 주관적 경험을 기반으로 설정되므로 설정된 소속도 함수의 일관성과 객관성을 보장하기가 어려운 문제점을 갖고 있다. 따라서 이 논문에서는 퍼지 분류기의 소속도 함수를 설정하기 위한 객관적 기준을 제시하기 위하여 특징값들 간의 통계적 정보를 이용한 소속도 함수 설정 기법들을 제안하였다. 제안한 기법들을 이용하여 UCI machine learning repository 사이트에서 제공되는 표준 데이터 중에 Iris 데이터 세트를 이용하여 실험하고 그 결과를 비교, 분석하였다.

• Proceedings of the KIEE Conference
• /
• 2003.07d
• /
• pp.2522-2524
• /
• 2003

본 논문은 다수의 가우시안(Gaussian) 함수를 가중치 함수로 이용하여 퍼지 소속 함수의 효율적인 동정기법을 제안한다. 먼저 데이터를 가장 잘 구분하는 특징 변수를 선정하고, 이에 대한 기본 소속 함수를 가우시안 함수로 설정한 후, 다수의 가우시안 함수를 곱하여 소속 함수를 동정한다. 해당 특징 변수에 대한 소속 함수의 동정 후, 다음 우선 순위의 특징 변수를 퍼지 규칙에 첨가하여 가장 높은 정확도를 획득할 때까지 반복적으로 소속 함수를 동정한다. 이러한 방법은 데이터의 분포 성향을 소속 함수에 반영시킬 수 있을 뿐만아니라, 알고리듬의 고속 연산도 가능하다. 제안한 방법의 성능을 검증하기 위해 iris 데이터에 적용하여 모의실험의 예를 보인다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10b
• /
• pp.15-17
• /
• 1999

사례 기반 추론(Case-Based Reasoning)은 새로운 문제를 해결하기 위해 유사한 기존 문제를 추출하여 그 해결과정을 사용한다. 그러므로, 기존의 문제와의 유사성을 얼마만큼 잘 판별하는가가 매우 중요한 관건이다. 연구된 유사성 판단 방법으로는 퍼지 소속 함수(Fuzzy membership function)를 이용하여 사례마다 각 클래스에 대한 소속 함수 값을 주는 방법이 있다. 이 방법은 퍼지 소속 함수를 어떻게 주는가에 따라 성능이 달라진다. 본 논문에서는 적당한 퍼지 소속 함수를 주기 위하여 Fuzzy C-Means를 사용하는 방법을 제안하였다. 이 방법은 각 클래스에 대한 소속 함수 값을 결정하는데 있어서 좀 더 전체적인 데이터 분포 정보를 이용할 수 있다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.462-465
• /
• 2004

수치적인 데이터를 분류하기 위한 대표적인 방법은 퍼지 규칙을 사용하는 것이다. 하지만, 이러한 방법은 퍼지 소속 함수를 어떻게 정의하느냐에 따라 퍼지 분류의 성능이 크게 영향을 받는다는 문제점과 퍼지 규칙을 쉽게 이해하기 위해 가능한 퍼지 규칙의 수를 적게 유지해야한다는 문제점이 있다. 본 논문에서는 효과적이며 이해하기 쉬운 퍼지 규칙을 생성하기 위해 기울기 강하법을 기반으로 하는 소속 함수 학습 방법을 제안한다. 에러율을 감소하기 위해 Penalty 연산과 Reward 연산을 통해 소속 함수가 반복적으로 조절된다. 새로운 소속 함수는 Coverage 연산에 의해 생성된다. 또한 이해하기 쉬운 퍼지 규칙을 최적화하기 위해 학습된 소속 함수를 퍼지 결정 트리에 적용한다. 본 논문에서 제안한 알고리즘의 타당성을 확인하기 위해 벤치 마크 데이터인 Iris, Wisconsin Breast Cancer, Pima. Bupa 데이터를 이용하여 실험 결과를 보인다. 실험 결과를 통해 제안한 알고리즘이 기존의 C4.5와 FID 3.1 알고리즘보다 더 효과적이거나 비슷한 성능을 보임을 알 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.613-615
• /
• 2004

수치적인 데이터를 분류하기 위한 대표적인 방법은 퍼지 규칙을 사용하는 것이다. 하지만 퍼지 규칙을 이용하는 방법은 퍼지 소속 함수를 어떻게 정의하느냐에 따라 퍼지 분류의 성능이 크게 영향을 받는다는 문제점이 있다. 따라서 퍼지 규칙을 쉽게 이해하기 위해서는 가능한 퍼지 규칙의 수를 적게 유지하는 것이 필요하다. 본 논문에서는 효과적이며 이해하기 쉬운 퍼지 규칙을 생성하기 위해 기울기 강하법을 기반으로 하는 소속 함수 학습 방법을 제안한다 에러율을 감소하기 위해 Penalty 연산과 Reward 연산을 통해 소속 함수가 반복적으로 조절된다 새로운 소속 함수는 Coverage 연산에 의해 생성된다. 또한 이해하기 쉬운 퍼지 규칙을 최적화하기 위해 학습된 소속 함수골 퍼지 결정 트리에 적용한다. 본 논문에서 제안한 알고리즘의 타당성을 확인하기 위해 벤치 마크 데이터인 Iris, Wisconsin Breast Cancer, Plma, Bupa 데이터를 이용하여 실험 결과를 보인다. 실험 결과를 통해 제안한 알고리즘이 기존의 C4.5와 FID 3.1 알고리즘보다 더 효과적이거나 비슷한 성능을 보임을 알 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.811-813
• /
• 2004

본 논문에서는, 고유 얼굴 분포를 기반으로 하여 퍼지 이론을 이용한 얼굴 인식 기법을 제안한다 고유 얼굴의 가중치값들에 대해 각각의 분포를 이용한 소속도 함수가 계산되며. 소속도 함수를 통해 계산된 소속도는 신경망을 통해 학습된다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1996.10a
• /
• pp.306-309
• /
• 1996

본 논문에서는 유전자 알고리즘을 이용하여 퍼지 제어기를 위한 최적 소속함수와 제어 규칙들을 자동으로 생성하는 방법을 제안한다. 제안한 방법은 효과적인 염색체 암호화 방법을 이용하여 소속함수의 표현 해상도가 증가하여도 소속함수의 언어항의 개수를 일정하게 유지하여 제어 규칙을 표현하는 염색체의 길이가 크게 늘어나지 않도록 한다. 또, 소속함수의 언어항의 개수가 서로 다른 염색체에 대해서도 개선된 교배 및 돌연변이 연산자를 이용하여 효과적으로 유전자 연산을 적용할 수 있게 한다. 본 논문에서는 제안된 방법을 퍼지 제어기의 자동 생성 방법의 평가 문제로 널리 이용되는 트럭 후진 주차 문제에 적용하여 성능을 평가한다.